基于一步去噪扩散模型的异常图像检测方法，该方法增强了高频和低频信息

《JOURNAL OF INTELLIGENT MANUFACTURING》：Anomaly image detection method based on one-step denoising diffusion model with high- and low-frequency information enhanced

异常检测方法基于一阶去噪扩散模型，通过伪异常生成模块、高频低频增强模块及分割模块优化性能，在MVTec数据集上实现99.6%和98.9%的图像级与像素级AUROC，显著优于现有扩散方法

　　

摘要

基于图像重建的异常检测技术通过测量重建图像与异常图像之间的差异来识别异常。新兴的扩散模型具有强大的生成能力，但其重建过程需要数百次去噪步骤，给异常检测任务带来了巨大的计算负担。为了解决这一挑战，本文提出了一种基于一步去噪扩散模型的异常图像检测方法，该方法增强了高频和低频信息。该方法主要由三个部分组成。首先，使用伪异常生成模块生成伪异常样本，为模型提供有监督的训练数据。其次，利用一步去噪扩散模型快速重建异常图像。为了解决由于一步去噪过程导致的图像质量下降和潜在的重建失败问题，我们提出了一种增强高频和低频信息的模块，以提高U-Net模型的噪声预测能力。第三，提出了一种新的分割模块，通过比较重建图像与异常图像之间的差异来分割和定位图像中的异常区域。实验结果表明，在仅使用一步去噪的情况下，该方法在MVTec数据集上分别实现了99.6%的图像级和98.9%的像素级AUROC分数。该方法优于现有的基于扩散的技术，并且接近于最先进技术的性能，展示了其在工业异常检测中的优越性和应用潜力。